基于神经网络的偏微分方程求解器新突破：北大&字节研究成果入选Nature子刊

近年来，神经网络在求解偏微分方程上的应用备受瞩目，特别是在量子化学领域，NNVMC方法崭露头角，以其高精度超越传统技术。北京大学与字节跳动研究团队合作推出的Forward Laplacian框架，创新性地运用Laplace算子前向传播，为NNVMC计算带来十倍加速，大大降低了成本，达到该领域的先进水平，并有望解决更多科学难题。这项工作已发表于《Nature Machine Intelligence》，并开源了相关代码。

Forward Laplacian通过避免计算耗时的黑塞矩阵，直接求解拉普拉斯项，显著提升了NNVMC的计算效率。同时，LapNet网络利用神经网络梯度计算的稀疏性，进一步优化了计算效率，保证精度的同时减少了计算规模。实验结果显示，LapNet在Forward Laplacian框架下，无论是效率还是精度，都远超同类方法。

在不同规模的系统测试中，Forward Laplacian展现出线性加速效果，且在相对能量计算中也取得优秀表现。这一突破性的计算框架降低了NNVMC方法的应用门槛，受到业内广泛关注，有望推动量子化学领域的新进展。相关研究已在顶级期刊发表，并有多个开源项目跟进实现。

本文来源： 机器之心【阅读原文】